AI e il futuro della risposta alla chiamata di soccorso: dal triage umano al triage aumentato

Immagina questa scena. Sono le 2:47 di notte. Una donna chiama il 118 per suo marito: "non si sente bene, ha un po' di nausea". La voce è calma, quasi scusandosi per il disturbo. L'operatore assegna un codice di media priorità. L'ambulanza arriva in 18 minuti. È un infarto.

Non è un caso inventato. È il tipo di scenario che si ripete ogni giorno nelle centrali operative di tutto il mondo — e che la ricerca chiama undertriage: il paziente grave che viene sottovalutato perché i segnali non sono abbastanza ovvi, o perché chi chiama non sa come descriverli.

Il problema non è l'operatore. È strutturale. In quei 90-120 secondi di una chiamata, un essere umano deve decifrare panico, accenti, rumori di fondo, sintomi raccontati a frammenti — e tradurre tutto in un codice di priorità, sotto pressione, spesso da solo [1]. È un lavoro straordinariamente difficile. Ed è esattamente il punto in cui l'intelligenza artificiale può fare la differenza — non sostituendo il giudizio umano, ma affiancandolo.

Un paramedico, tre ore, un'idea che fa riflettere

James Oswald lavora come Clinical Practice Guideline Specialist per Ambulance Victoria, in Australia. Qualche settimana fa ha condiviso su LinkedIn qualcosa di insolito: un prototipo costruito nel tempo libero, in circa tre ore [2].

Il sistema è semplice nel suo schema. Trascrive la chiamata di emergenza, estrae 20 parametri clinici dalla conversazione tramite un modello linguistico, e poi stima la reale gravità clinica della situazione confrontandola con il codice di priorità assegnato dal protocollo AMPDS. Quando i due giudizi divergono in modo significativo, la chiamata viene segnalata per revisione clinica, con un grafico che mostra al medico quali parametri hanno pesato di più nella stima — e quanto.

Il risultato più istruttivo che Oswald mostra: una chiamata codificata come alta priorità dal protocollo standard ottiene dal sistema una stima del 5% di probabilità di essere davvero un'emergenza grave. Non per annullare il codice — ma per dire: questa vale la pena di essere ricontrollata da un clinico.

> "Non devono essere per forza megasoluzioni aziendali. Possiamo lavorare entro i nostri vincoli continuando a sfruttare i benefici dell'AI." > — James Oswald, Ambulance Victoria [2]

Tre ore. Nessun budget dedicato. Nessuna infrastruttura speciale. Solo la chiarezza su un problema reale e la volontà di provarci.

Cosa dice la letteratura scientifica

Prima ancora di parlare di applicazioni operative, vale la pena capire su cosa si regge la base empirica di tutto questo.

Uno studio retrospettivo presentato all'ESOC 2023 — il congresso europeo di riferimento per le malattie cerebrovascolari — ha addestrato un modello di deep learning su oltre 1,5 milioni di chiamate al Copenhagen Emergency Medical Services tra il 2015 e il 2020, di cui più di 7.000 correlate a stroke. Il sistema trascrive l'audio della chiamata e analizza il testo per predire il rischio di ictus. I risultati sono netti: sensibilità del 63,0% contro il 52,7% degli operatori umani, con un F1-score di 35,7 vs 25,8. Il modello ha superato i dispatcher umani in ogni sottogruppo analizzato — per sesso, età e tipo di stroke — senza eccezioni [3].

Non si tratta di un caso isolato. Una narrative review pubblicata su Cureus nel settembre 2025, che ha analizzato la letteratura su PubMed e PMC fino ad agosto 2025, conclude che i modelli di machine learning superano sistematicamente i punteggi clinici tradizionali nel triage preospedaliero per trauma, stroke e emergenze cardiache. In particolare, i modelli ML riducono l'undertriage sotto il 10% — un risultato significativo in contesti dove negli USA i tassi di undertriage per trauma grave superano il 30% [4].

Una scoping review PRISMA-guidata pubblicata su Big Data and Cognitive Computing (agosto 2025), basata su 1.181 articoli del periodo 2018–2025, identifica triage e prioritizzazione come le aree di crescita più rapida nell'AI preospedaliera, con AUROC superiori a 0,85 in più contesti clinici indipendenti [5].

Questi dati non validano soluzioni specifiche — validano un approccio. E l'approccio di Oswald ne è un'implementazione pratica, a basso costo, con lo stesso schema logico degli studi peer-reviewed.

Cosa sta già succedendo in Italia

Il caso di Oswald non è isolato, neanche nel nostro contesto.

L'ASL Benevento ha lanciato AI 118 SmartPlanner, una piattaforma di intelligenza artificiale generativa con modelli matematici per l'allocazione real-time delle risorse, pensata specificamente per le aree interne montane dove il rapporto tra distanze, stagionalità turistica e isolamento rende ogni secondo ancora più critico [6].

Beta80 Group sta sperimentando NLP per il triage telefonico automatico nelle centrali 112: assistenza nella compilazione dei form, gestione delle chiamate non emergenziali, costruzione di alberi decisionali guidati dall'AI. I protocolli sono stati validati dall'EENA in Portogallo già dal 2019 [1].

Il quadro internazionale: sistemi ibridi già operativi

All'estero, l'integrazione AI-dispatch è già realtà operativa su larga scala.

Carbyne AI Triage prioritizza le chiamate durante i picchi di volume analizzando l'audio in tempo reale, mentre l'operatore mantiene il controllo totale della situazione [7]. Il sistema non decide — segnala, lasciando sempre l'ultima parola all'essere umano.

Il London Ambulance Service ha integrato AI con MPDS su 2,4 milioni di chiamate annue: rileva stroke, sepsi e crisi di salute mentale in tempo reale, con un miglioramento dell'11% nell'accuratezza clinica senza stravolgere i protocolli consolidati [8].

Negli USA, RapidSOS sfrutta API per trasmettere geolocalizzazione GPS, contesto della scena e prioritarizzazione ai dispatcher 911, combinando dati strutturati con analisi vocale per un dispatch più preciso già prima che l'ambulanza parta [9]. L'impatto di queste tecnologie è riconosciuto anche a livello federale: la NTIA americana ha identificato l'AI applicata alle centrali 911 come leva prioritaria per ridurre i tempi di risposta su scala nazionale [10].

---

Panorama dei sistemi principali

---

Le sfide che non possiamo ignorare

Sarebbe scorretto presentare questo scenario come privo di ostacoli. Le barriere reali non sono principalmente tecniche.

Regolatorio e privacy. Il GDPR impone anonimizzazione ferrea dei dati vocali delle chiamate di emergenza. L'EU AI Act classifica i sistemi di supporto decisionale in contesti ad alto rischio — come il dispatch sanitario — in categorie che richiedono validazione esplicita e supervisione umana garantita [10].

Trasparenza del modello. I sistemi black-box non sono accettabili in emergenza. Il clinico deve poter capire perché il sistema ha prodotto quell'output, non solo cosa ha prodotto — per questo il prototipo di Oswald include un grafico che mostra il peso di ciascun parametro nella decisione [2]. La stessa review su Cureus sottolinea come la trasparenza del modello sia uno dei requisiti non negoziabili per il deployment clinico [4].

Bias e generalizzabilità. Un modello addestrato sulle chiamate di un sistema EMS australiano o danese potrebbe performare in modo diverso in un contesto italiano — diversa lingua, diversi pattern di chiamata, diverse patologie prevalenti. La scoping review PRISMA del 2025 evidenzia che la maggior parte degli studi disponibili proviene da Europa e Nord America, con limitata rappresentatività di altri contesti [5]. La validazione clinica locale è imprescindibile, non opzionale.

Integrazione nei flussi di lavoro. Aggiungere un sistema AI a un operatore già sotto pressione può aumentare il carico cognitivo invece di ridurlo, se l'interfaccia non è progettata con cura [1]. La formazione deve evolvere verso un nuovo ruolo: non più solo "operatore di protocollo", ma "supervisore AI".

Il ruolo del professionista preospedaliero

C'è una domanda che molti si pongono, spesso sottovoce: l'AI renderà obsoleto il giudizio del soccorritore o del medico di centrale?

La risposta, almeno nel medio termine, è no — ma con una condizione. I sistemi più efficaci non sono quelli che cercano di sostituire l'esperienza clinica, ma quelli che la amplificano. Un sistema che segnala "questa chiamata codificata HIGH ha solo il 5% di probabilità di essere un'emergenza grave" non sta decidendo al posto del clinico: gli sta consegnando una seconda opinione quantificata, costruita su migliaia di casi, in pochi secondi [2].

Il professionista che saprà leggere criticamente l'output di questi sistemi — capendo quando fidarsi e quando sovrascrivere — sarà significativamente più efficace di chi li ignora e di chi li segue ciecamente. Un ulteriore vantaggio, spesso sottovalutato: questi sistemi abilitano audit automatizzati su migliaia di chiamate e training su trascrizioni sintetiche per simulare scenari rari — stroke silenti, intossicazioni da CO in ambienti chiusi — che difficilmente emergono nei percorsi formativi tradizionali [1].

Fare qualcosa, adesso

Il messaggio più importante del lavoro di Oswald — e della letteratura che lo sostiene — non è tecnologico. È operativo: non servono megasoluzioni aziendali da milioni di euro. Bastano prototipi etici, trasparenti, a basso costo, costruiti con chiarezza sullo scopo clinico [2].

In Italia, il 118 e i sistemi di emergenza territoriale devono ancora affrontare sfide strutturali enormi: risorse, personale, frammentazione regionale. Ma ignorare questa trasformazione non è una scelta neutrale — è una scelta con conseguenze.

Il futuro delle centrali operative non è fantascienza. È una chiamata che sta già squillando. Tocca a noi rispondere con visione operativa.

---

Fonti

Letteratura scientifica

[3] Havtorn JD, Wenstrup J, Borgholt L, et al. A retrospective study on deep learning-enabled stroke recognition for a medical help line. Presentato all'European Stroke Organisation Conference (ESOC) 2023, Monaco, 24 maggio 2023. Comunicato stampa: https://www.eurekalert.org/news-releases/989994 Copertura Medscape: https://www.medscape.com/viewarticle/992515

[4] Artificial Intelligence in Prehospital Emergency Care: Advancing Triage and Destination Decisions for Time-Critical Conditions. Cureus, settembre 2025. https://www.cureus.com/articles/409861

[5] A Systematic Literature Review of Artificial Intelligence in Prehospital Emergency Care. Big Data and Cognitive Computing, 9(9):219, agosto 2025. https://doi.org/10.3390/bdcc9090219

Fonti operative e di settore

[1] Beta80 Group — Strumenti di prevenzione emergenza: sfruttare l'AI nella centrale 112 https://news.beta80group.it/strumenti-di-prevenzione-emergenza-sfruttare-ai-nella-centrale-112 Vedi anche: Come l'AI migliora il call handling nelle centrali operative https://news.beta80group.it/come-intelligenza-artificiale-migliora-call-handling-nelle-centrali-operative

[2] James Oswald, Ambulance Victoria — Post LinkedIn sul prototipo AI AMPDS Emergency Call Prioritiser https://www.linkedin.com/posts/james-michael-oswald_i-recently-built-this-tool-an-ai-ampds-activity-7449378183096987648-yhGm

[6] NTR24 — L'ASL Benevento punta sull'AI per rivoluzionare il 118 https://www.ntr24.tv/2026/03/05/lasl-benevento-punta-sullia-per-rivoluzionare-118-cronicita-nelle-aree-interne-e-inclusione-attraverso-la-musica/

[7] Carbyne — Emergency Call Triage https://carbyne.com/solutions/emergency-call-triage/

[8] LinkedIn / Andre — AI to improve emergency dispatch accuracy (London Ambulance Service) https://www.linkedin.com/pulse/ai-improve-emergency-dispatch-accuracy-technology-andre-p8oje

[9] RapidSOS — 911 con intelligenza artificiale (video dimostrativo) https://www.youtube.com/watch?v=34zBoKjGPIM

[10] NTIA — Improving 911 Operations with Artificial Intelligence https://www.ntia.gov/category/next-generation-911/improving-911-operations-with-artificial-intelligence